第三章 灰色预测模型(谷风教育)
灰色预测模型※※
灰色预测模型灰色预测是就灰色系统所做的预测. 所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统，其具体的含义是：如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰箱系统. 一般地说，社会系统、经济系统、生态系统都是灰色系统.灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测. 尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测.灰色预测模型只需要较少的观测数据即可，这和时间序列分析，多元回归分析等需要较多数据的统计模型不一样. 因此，对于只有少量观测数据的项目来说，灰色预测是一种有用的工具.一、GM(1,1)模型灰色系统理论是邓聚龙教授在1981年提出来的，是一种对含有不确定因素系统进行预测的方法. 通过鉴别系统因素之间发展趋势的相异程度，进行关联分析，并通过对原始数据进行生成处理来寻找系统的变化规律，生成较强规律性数据序列，然后建立相应微分方程模型，从而预测事物未来的发展趋势和未来状态. 目前使用最广泛的灰色预测模型是关于数列预测的一个变量、一阶微分的GM(1,1)模型.GM(1,1)模型是基于灰色系统的理论思想，将离散变量连续化，用微分方程代替差分方程，按时间累加后所形成的新的时间序列呈现的规律可用一阶线性微分方程的解来逼近，用生成数序列代替原始时间序列，弱化原始时间序列的随机性，这样可以对变化过程作较长时间的描述，进而建立微分方程形式的模型. 其建模的实质是建立微分方程的系数，将时间序列转化为微分方程，通过灰色微分方程可以建立抽象系统的发展模型. 经证明，经一阶线性微分方程的解逼近所揭示的原始时间数列呈指数变化规律时，灰色预测GM(1,1)模型的预测将是非常成功的.1.1 GM(1,1)模型的建立灰色理论认为一切随机量都是在一定范围内、一定时间段上变化的灰色量及灰色过程. 数据处理不去寻找其统计规律和概率分布, 而是对原始数据作一定处理后, 使其成为有规律的时间序列数据, 在此基础上建立数学模型.GM(1,1)模型是指一阶，一个变量的微分方案预测模型，是一阶单序列的线性动态模型，用于时间序列预测的离散形式的微分方程模型.设时间序列()0X 有n 个观察值，()()()()()()(){}00001,2,,X x x x n =，为了使其成为有规律的时间序列数据，对其作一次累加生成运算，即令()()()()101tn xt x n ==∑从而得到新的生成数列()1X ，()()()()()()(){}11111,2,,X x x x n =，新的生成数列()1X 一般近似地服从指数规律. 则生成的离散形式的微分方程具体的形式为dxax u dt+= 即表示变量对于时间的一阶微分方程是连续的. 求解上述微分方程，解为当t =1时，()(1)x t x =，即(1)c x a=-，则可根据上述公式得到离散形式微分方程的具体形式为()()()11a t u u x t x e a a --⎛⎫=-+ ⎪⎝⎭其中，ax 项中的x 为dxdt的背景值，也称初始值；a ，u 是待识别的灰色参数，a 为发展系数，反映x 的发展趋势；u 为灰色作用量，反映数据间的变化关系.按白化导数定义有0()()limt dx x t t x t dt t→+-= 显然，当时间密化值定义为1时，当1t →时，则上式可记为1lim(()())t dxx t t x t dt→=+- 这表明dxdt是一次累减生成的，因此该式可以改写为 (1)(1)(1)()dxx t x t dt=+- 当t 足够小时，变量x 从()x t 到()x t t +是不会出现突变的，所以取()x t 与()x t t +的平均值作为当t 足够小时的背景值，即(1)(1)(1)1()(1)2x x t x t ⎡⎤=++⎣⎦将其值带入式子，整理得(0)(1)(1)1(1)()(1)2x t a x t x t u ⎡⎤+=-+++⎣⎦ 由其离散形式可得到如下矩阵：(1)(1)(0)(1)(1)(0)(0)(1)(1)1(1)(2)2(2)1(2)(3)(3)2()1(1)()2x x x x x x a u x n x n x n ⎛⎫⎡⎤-+ ⎪⎣⎦⎛⎫ ⎪ ⎪ ⎪⎡⎤-+ ⎪⎣⎦ ⎪=+ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭ ⎪⎡⎤--+ ⎪⎣⎦⎝⎭令 (0)(0)(0)(2),(3),,()TY x x x n ⎡⎤=⎣⎦(1)(1)(1)(1)(1)(1)11(1)(2)211(2)(3)21(1)()12x x x x B x n x n ⎛⎫⎡⎤-+ ⎪⎣⎦ ⎪ ⎪⎡⎤-+⎣⎦ ⎪= ⎪ ⎪ ⎪⎡⎤--+ ⎪⎣⎦⎝⎭()Ta u α=称Y 为数据向量，B 为数据矩阵，α为参数向量. 则上式可简化为线性模型：Y B α=由最小二乘估计方法得()1T T a B B B Y uα-⎛⎫== ⎪⎝⎭上式即为GM(1,1)参数,a u 的矩阵辨识算式，式中()1T T B B B Y -事实上是数据矩阵B 的广义逆矩阵.将求得的a ，u 值代入微分方程的解式，则()1(1)()((1))a t u u x t x e a a--=-+其中，上式是GM(1,1)模型的时间响应函数形式，将它离散化得(1)(0)(1)ˆ()(1)a t u u xt x e a a --⎛⎫=-+ ⎪⎝⎭ 对序列()()1ˆxt 再作累减生成可进行预测. 即 ()(0)(1)(1)(0)(1)ˆˆˆ()()(1)(1)1a a t xt x t x t u x e e a --=--⎛⎫=-- ⎪⎝⎭ 上式便是GM(1,1)模型的预测的具体计算式.或对()at ux t ce a-=+求导还原得(0)(0)(1)ˆ()((1))a t uxt a x e a--=-- 1.2 GM(1,1)模型的检验GM(1,1)模型的检验包括残差检验、关联度检验、后验差检验三种形式. 每种检验对应不同功能：残差检验属于算术检验，对模型值和实际值的误差进行逐点检验；关联度检验属于几何检验范围，通过考察模型曲线与建模序列曲线的几何相似程度进行检验，关联度越大模型越好；后验差检验属于统计检验，对残差分布的统计特性进行检验，衡量灰色模型的精度. ➢ 残差检验残差大小检验，即对模型值和实际值的残差进行逐点检验.设模拟值的残差序列为(0)()e t ，则(0)(0)(0)ˆ()()()e t x t xt =- 令()t ε为残差相对值，即残差百分比为(0)(0)(0)ˆ()()()%()x t xt t x t ε⎡⎤-=⎢⎥⎣⎦令∆为平均残差，11()nt t n ε=∆=∑.设残差的方差为22S ，则[]22211()n t S e t e n ==-∑. 故后验差比例C 为21/C S S =，误差频率P 为{}1()0.6745P P e t e S =-<.对于,C P 检验指标如下表： 检验指标好 合格 勉强 不合格 P >0.95 >0.80 >0.70 <0.70 表 1 灰色预测精确度检验等级标准一般要求()20%t ε<，最好是()10%t ε<，符合要求.➢ 关联度检验关联度是用来定量描述各变化过程之间的差别. 关联系数越大，说明预测值和实际值越接近.设 {}(0)(0)(0)(0)ˆˆˆˆ()(1),(2),,()Xt x x x n =⋯ {}(0)(0)(0)(0)()(1),(2),,()X t x x x n =⋯序列关联系数定义为(){}{}{}(0)(0)(0)(0)(0)(0)(0)(0)ˆˆmin ()()max ()(),0ˆˆ()()max ()()1,0x t x t x t x t t t x t x t x t x t t σξσ⎧-+-⎪≠⎪=⎨-+-⎪=⎪⎩ 式中,(0)(0)ˆ()()x t x t -为第t 个点(0)x 和(0)ˆx 的绝对误差，()t ξ为第t 个数据的关联系数，ρ称为分辨率，即取定的最大差百分比，0ρ<<1,一般取0.5ρ=.(0)()x t 和(0)ˆ()xt 的关联度为 ()11nt r t n ξ==∑精度等级 关联度 均方差比值 小误差概率 好（1级） 0.90≥ 0.35≤ 0.95≥ 合格（2级） 0.80≥ 0.50≤ 0.80≥ 勉强（3级） 0.70≥ 0.65≤ 0.70≥ 不合格（4级） 0.70< 0.65> 0.70<表 2 精度检验等级关联度大于60%便满意了，原始数据与预测数据关联度越大，模型越好.➢ 后验差检验后验差检验，即对残差分布的统计特性进行检验. 检验步骤如下：1、计算原始时间数列(){}0(0)(0)(0)(1),(2),,()X x x x n =的均值和方差()2(0)(0)2(0)11111(),()n n t t xx t S x t x n n ====-∑∑ 2、计算残差数列{}(0)(0)(0)(0)(1),(2),,()e e e e n =的均值e 和方差22s ()2(0)2(0)21111(),()n n t t e e t S e t e n n ====-∑∑其中(0)(0)(0)ˆ()()(),1,2,,e t x t x t t n =-=为残差数列.3、计算后验差比值21C S S =4、计算小误差频率{}(0)1()0.6745P P e t e S =-<令0S =0.67451S ，(0)()|()|t e t e ∆=-，即{}0()P P t S =∆<.若对给定的00C >，当0C C <时，称模型为方差比合格模型；若对给定的00P >，当0P P >时，称模型为小残差概率合格模型.P C 模型精度 >0.95 <0.35 优 >0.80 <0.5 合格 >0.70 <0.65 勉强合格 <0.70 >0.65 不合格表 3 后验差检验判别参照表1.3 残差GM(1,1)模型当原始数据序列(0)X 建立的GM(1,1)模型检验不合格时，可以用GM(1,1)残差模型来修正. 如果原始序列建立的GM(1,1)模型不够精确，也可以用GM(1,1)残差模型来提高精度.若用原始序列(0)X 建立的GM(1,1)模型(1)(0)ˆ(1)[(1)]at u uxt x e a a-+=-+ 可获得生成序列(1)X 的预测值，定义残差序列(0)(1)(1)ˆ()()()e k x k xk =-. 若取k=t , t+1, …, n ，则对应的残差序列为{}(0)(0)(0)(0)()(1),(2),,()e k e e e n =计算其生成序列(1)()e k ，并据此建立相应的GM(1,1)模型(1)(0)ˆ(1)[(1)]e a k e ee eu u et e e a a -+=-+ 得修正模型(1)(0)(0)(1)(1)()()(1)e a k ak e e e u u u x t x e k t a e e a a a δ--⎡⎤⎡⎤+=-++---⎢⎥⎢⎥⎣⎦⎣⎦其中1()0k tk t k tδ≥⎧-=⎨≤⎩为修正参数.应用此模型时要考虑：1、一般不是使用全部残差数据来建立模型，而只是利用了部分残差.2、修正模型所代表的是差分微分方程，其修正作用与()k t δ-中的t 的取值有关.1.4 GM(1,1)模型的适用范围定理：当GM(1,1)发展系数||2a ≥时，GM(1,1)模型没有意义.我们通过原始序列()0i X 与模拟序列()0ˆiX 进行误差分析，随着发展系数的增大，模拟误差迅速增加. 当发展系数0.3a -≤时，模拟精度可以达到98%以上；发展系数0.5a -≤时，模拟精度可以达到95%以上；发展系数1a ->时，模拟精度低于70%；发展系数 1.5a ->时，模拟精度低于50%.进一步对预测误差进行考虑，当发展系数0.3a -<时，1步预测精度在98%以上，2步和5步预测精度都在90%以上，10步预测精度亦高于80%；当发展系数0.8a ->时，1步预测精度已低于70%.通过以上分析，可得下述结论：1、当0.3a -<时，GM(1,1)可用于中长期预测；2、当0.30.5a <-≤时，GM(1,1)可用于短期预测，中长期预测慎用；3、当0.50.8a <-≤时，GM(1,1)作短期预测应十分谨慎；4、当0.81a <-≤时，应采用残差修正GM(1,1)模型；5、当1a ->时，不宜采用GM(1,1)模型.1.5 GM(1,1)模型实例分析()()(0)(0)(0)(0)(0)(1),(2),(3),(4)79,74.825,74.29,76.98X x x x x ==对(0)X 作一次累加后的数列为()()(1)(1)(1)(1)(1)(1),(2),(3),(4)79,153.825,228.115,305.095X x x x x == 对(1)X 做紧邻均值生成. 令(1)(1)(1)()0.5()0.5(1)Z k x k x k =+-，得()()(1)(1)(1)(1)(2),(3),(4)116.4125,151.47,150.1925Z z z z ==则数据矩阵B 及数据向量Y 为(1)(1)(1)(2)1116.41251(3)1151.471(4)1150.19251z B z z ⎡⎤--⎡⎤⎢⎥⎢⎥=-=-⎢⎥⎢⎥⎢⎥⎢⎥--⎣⎦⎣⎦，(0)(0)(0)(2)74.825(3)74.29(4)76.98x Y x x ⎡⎤⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ 对参数列ˆ[,]T aa b =进行最小二乘估计，得 176.61ˆ()[,]0.0144T T T T a B B B Y B Y a u -⎡⎤====⎢⎥-⎣⎦即 0.0144a =-，76.61u = 则GM(1,1)模型为()()110.014476.61dx x dt-= 时间响应式为(1)0.0144ˆ(1)5399.13895320.1389xk e -+=- 当1k =时，我们取(1)(0)(0)ˆˆ(1)(1)(0)79xx x === 还原求出(0)X 的模拟值. 由(0)(1)(1)ˆˆˆ()()(1)Xk x k x k =--，取2,3,4k =，得 ()()(0)(0)(0)(0)(0)ˆˆˆˆˆ(1),(2),(3),(4)79,74.281,74.3584,76.4513xx x x x == 通过预测，得到实际值与预测值如下表：实际值 预测值相对误差()k ε 第一学期79 79 0 第二学期 74.825 74.2810 0.73% 第三学期 74.29 74.3584 0.0921% 第四学期76.9876.45130.7051%表 4 四学期的实际值与预测值的误差表因为()10%k ε<，那就可得学生的预测值，与现实值进行比较得出该模型精度较高，可进行预测和预报.我们对学生未来两个学期（也就是第五、六个学期）的成绩进行预测，分别为77.5602分和78.6851分.例：某大型企业1999年至2004年的产品销售额如下表，试建立GM(1,1)预测模型，并预测2005年的产品销售额。
灰色预测模型讲义
可见图7.1上的曲线有明显的摆动，图7.2呈现逐渐 递增的形式，说明原始数据的起伏已显著弱化.可以 设想用一条指数曲线乃至一条直线来逼近累加生成 数列 x (1) .
7.2 灰色系统的模型
图7.1
图7.2
为了把累加数据列还原为原始数列，需进行后减运算
灰色预测模型讲义
灰色预测模型（Gray Forecast Model）是通过 少量的、不完全的信息，建立数学模型并做出 预测的一种预测方法.当我们应用运筹学的思想 方法解决实际问题，制定发展战略和政策、进 行重大问题的决策时，都必须对未来进行科学 的预测. 预测是根据客观事物的过去和现在的 发展规律，借助于科学的方法对其未来的发展 趋势和状况进行描述和分析，并形成科学的假 设和判断.
2. 灰色系统的特点
（1）用灰色数学处理不确定量，使之量化. （2）充分利用已知信息寻求系统的运动规律. （3）灰色系统理论能处理贫信息系统.
7.1灰色系统的定义和特点
常用的灰色预测有五种：
（1）数列预测，即用观察到的反映预测对象特征的时间序列来 构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征 量的时间。
6 3+8+10+7 34.
于是得到一个新数据序列
x(1) {6, 9, 17, 27, 34}
7.2 灰色系统的模型
归纳上面的式子可写为
i
x(（ 1) i） { x(0) ( j) i 1, 2 , N} j 1
称此式所表示的数据列为原始数据列的一次累加生 成，简称为一次累加生成.显然有 x(1) (1) x(0) (1).
• 灰色系统理论是研究解决灰色系统分析、建模、 预测、决策和控制的理论.灰色预测是对灰色 系统所做的预测.目前常用的一些预测方法 （如回归分析等），需要较大的样本.若样本 较小，常造成较大误差，使预测目标失效.灰 色预测模型所需建模信息少，运算方便，建模 精度高，在各种预测领域都有着广泛的应用， 是处理小样本预测问题的有效工具.
灰色预测模型的研究及应用
灰色预测模型的研究及应用
灰色预测模型是一种用于预测问题的数学模型，广泛应用于各个领域。
它在1982年由中国科学家GM灰所提出，因此得名为“灰色预测模型”。
灰色预测模型基于灰色系统理论，它假设事物的发展具有一定的规律性和趋势性，但也存在不确定性的因素。
它通过对已知数据的分析和处理，来预测未来的发展趋势。
灰色预测模型的核心思想是将已知数据序列分解为两个部分：灰色部分和白色部分。
灰色部分是由数据的数量级和函数形式决定的，因此可以用来预测未来的趋势。
白色部分则是由不确定的随机因素引起的，往往被视为噪声，不具备预测能力。
灰色预测模型有多种形式，其中最常用的是GM(1,1)模型。
该模型通过建立一阶线性微分方程来描述数据的变化趋势，然后利用指数累减生成灰色模型。
基于灰色模型，可以进一步进行累加、累减、累乘等操作，来实现更复杂的预测。
灰色预测模型在各个领域都有广泛的应用。
其中最典型的应用是经济预测领域，包括国民经济、金融市场等。
此外，它还可以应用于工业生产、环境保护、农业发展、医疗卫生等方面的预测。
灰色预测模型的优点是简单易懂、计算量小、适用范围广。
它可以对数据的趋势进行较为准确的预测，尤其适用于数据量较小或者不完整的情况下。
缺点是对数据的要求较高，数据的采
样点要均匀分布，并且在建立模型时需要进行一些参数的选择，可能存在主观性和不确定性。
总之，灰色预测模型是一种有效的预测方法，具有广泛的应用前景。
在实际应用中，需要对具体问题进行合理的建模和参数选择，以提高预测的准确性。
关于“灰色预测模型”讲解42页PPT
46、法律有权打破平静。——马·格林 47、在一千磅法律里，没有一盎司仁 爱。— —英国
48、法律一多，公正就少。——托·富 勒 49、犯罪总是以惩罚相补偿；只有处 罚才能 使犯罪 得到偿 还。— —达雷 尔
50、弱者比强者更能得到法律的保护 。—— 威·厄尔
16、业余生活要有意义，不要越轨。——华盛顿 17、一个人即使已登上顶峰，也仍要自强不息。——罗素·贝克 18、最大的挑战和突破在于用人，而用人最大的突破在于信任人。——马云 19、自己活着，就是为了使别人过得更美好。——雷锋 20、要掌握书，莫被书掌握；要为生而读，莫为读而生。——布尔沃
ENDΒιβλιοθήκη
灰色预测模型
泰山教育版权所有 淘宝ID:liuxingma123
灰色系统理论简介
灰色系统理论是研究解决灰色系统分析、建模、 预测、决策和控制的理论.灰色预测是对灰色系统 所做的预测.目前常用的一些预测方法（如回归分 析等），需要较大的样本.若样本较小，常造成较 大误差，使预测目标失效.灰色预测模型所需建模 信息少，运算方便，建模精度高，在各种预测领 域都有着广泛的应用，是处理小样本预测问题的 有效工具.
GM(1,1)模型精度检验
计算后验差比为
C = S2 / S1
指标C 和p是后验差检验的两个重要指标.指标C 越小 越好, C 越小表示S1大而S2 越小. S1大表示原始数据方差 大,即原始数据离散程度大.S2小表示残方差小,即残 差离散程度小.C 小就表明尽管原始数据很离散,而模 型所得计算值与实际值之差并不太离散.
灰色预测模型
主讲人：泰山教育 小石老师
灰色系统理论简介
灰色预测模型（Gray Forecast Model）是通过 少量的、不完全的信息，建立数学模型并做出预 测的一种预测方法.当我们应用运筹学的思想方法 解决实际问题，制定发展战略和政策、进行重大 问题的决策时，都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律， 借助于科学的方法对其未来的发展趋势和状况进 行描述和分析，并形成科学的假设和判断.
泰山教育版权所有 淘宝ID:liuxingma123
灰色系统理论简介
灰色系统是黑箱概念的一种推广。我们把既含 有已知信息又含有未知信息的系统称为灰色系统. 作为两个极端，我们将称信息完全未确定的系统为 黑色系统；称信息完全确定的系统为白色系统.区 别白色系统与黑色系统的重要标志是系统各因素之 间是否具有确定的关系。
灰色预测模型-2022年学习资料
常见的几种灰生成类型：-1.累加生成算子AGO-2.逆累加生成算子（IAGO-3.均值生成算子MEAN-4 级比生成算子-8
1.累加生成算子AGO-定义它是对原序列中的数据依次累加以得到-生成序列。令x为原序列-X=x1,x2.L ,x n-我们说X四是X0的AGO序列，并记为-X=AGO X0-当且仅当-X0=（x01,x02,L,x n）-并满足xk=∑xm-k=1,2,L,n-m=-9
灰色预测模型灰色预测模型ppt课件
1、-灰色系统介绍-■-灰色系统是由华中科技大学的邓聚龙教授80-年代初所创立，在短短的三十年里已得到了长 -的发展。-灰色系统研究的是“部分信息明确，部分信息-未知”的“小样本，贫信息”不确定性问题，并-依据信息 盖，通过序列算子的作用探索事物运-动的现实规律。其特点是“少数据建模”，着重-研究“外延明确，-内涵不明确 的对象。-2
3、灰数及其运算-只知道大概范围而不知道其确切值的数称为灰-数，通常记为：“⑧”-例如：-1.头发的多少才 是秃子。应该是个区间范-围。模糊-2.多少层的楼房算高楼，中高楼，低楼。-3.多么重才算胖子？。-5
灰数的种类：-a、仅有下界的灰数。-有下界无上界的灰数记为：⑧∈[a,∞]-b、仅有上界的灰数。-有上界无 界的灰数记为：⑧∈[∞，b]-c、区间灰数-既有上界又有下界的灰数：⑧∈[a,b]-d、连续灰数与离散灰数 在某一区间内取有限个值的灰数称为离散灰-数，取值连续地充满某一区间的灰数称为连续-6
灰生成技术-灰色序列生成-是一种通过对原始数据的挖掘、整理来寻求数据变化-的现实规律的途径，简称灰生成。生成特点-在保持原序列形式的前提下，改变序列中数据的值与-性质。一切灰色序列都能通过某种生成弱化其随机性， 显现其规律性。-灰生成的作用-1.统一序列的目标性质，为灰决策提供基础。-2.将摆动序列转换为单调增长序列 以利于灰建模。-3.揭示潜藏在序列中的递增势态，变不可比为可比序列。
灰色预测模型
数据累加
x (1) (1) x (0) (1) 6， x (1) (2) x (0) (1) x (0) (2) 6 3 9， x (1) (3) x (0) (1) x (0) (2) x (0) (3) 6 3+8 17， x (1) (4) x (0) (1) x (0) (2) x (0) (3) x (0) (4) 6 3+8+10 27， x (1) (5) x (0) (1) x (0) (2) x (0) (3) x(0) (4) x(0) (5) 6 3+8+10+7 34.
1 4.513 1 7.8205 1 11.184 1 14.7185
第三步计算绝对误差和相对误差。
ˆ ( 0) (i ) (i 1,2,, n) 绝对误差: ( 0) (i ) x ( 0) (i ) x ( 0) (0) (0) 相对误差: (i ) [ (i ) / x (i )]100% (i 1,2,, n)
灰色预测
灰色生成的方法：数据处理
累加生成 原始Datas (n次)累加 新的Data
累减生成
灰色
相邻累减. 级别生成 填补端点 空穴
均值生成
邻均值生成 非邻均值生 成
灰色预测
生成
灰色预测例题：
销售额预测
灰色预测
灰色系统的定义
表2列出了某公司1999—2003年逐年的销售额.试用建立 预测模型，预测2004年的销售额，要求作精度检验。 表2：逐年销售额（百万元） 年份 1999 2000 2001 2002 2003
灰色预测模型
灰色预测模型1.模型建立灰色系统是指部分信息已知，部分信息未知的系统。
灰色系统的理论实质是将无规律的原始数据进行累加生成数列，再重新建模。
由于生成的模型得到的数据通过累加生成的逆运算――累减生成得到还原模型，再有还原模型作为预测模型。
预测模型，是拟合参数模型，通过原始数据累加生成，得到规律性较强的序列，用函数曲线去拟合得到预测值。
灰色预测模型建立过程如下：1) 设原始数据序列()0X 有n 个观察值，()()()()()()(){}n X X X X 0000,...,2,1=，通过累加生成新序列 ()()()()()()(){}n X X X X 1111,...,2,1=，利用新生成的序列()1X 去拟和函数曲线。
2) 利用拟合出来的函数，求出新生序列()1X 的预测值序列(1)X 3) 利用(0)(1)(1)()()(1)X k X k X k =--累减还原：得到灰色预测值序列： ()()(){}00001,2,...,X X X X n m =+ (共n ＋m 个，m 个为未来的预测值)。
将序列()0X 分为0Y 和0Z ，其中0Y 反映()0X 的确定性增长趋势，0Z 反映()0X 的平稳周期变化趋势。
利用灰色GM （1，1）模型对()0X 序列的确定增长趋势进行预测 2 模型求解根据2006全国统计年鉴数据整理得到全国历年年度人口统计表如表1.根据上述数据，建立含有20个观察值原始数据序列()0X ：()[]09625998705105851112704127627128453129988130756X =利用Matlab 软件对原是数列()0X 进行一次累加，得到新数列为()1X ，如表2：表2：新数列()1X 误差和误差率1、利用表2，拟合函数，如下：0.011624(1)92800439183784t x t e +=-2、精度检验值c ＝0.3067 （很好） P ＝0.9474 （好）3、得到未来20年的预测值：。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（4）拓扑预测，将原始数据作曲线，在曲线上按定值寻找该定 值发生的所有时点，并以该定值为框架构成时点数列，然后建立模 型预测该定值所发生的时点。
（5）系统预测. 通过对系统行为特征指标建立一组相互关联的灰 色预测模型，预测系统中众多变量间的相互协调关系的变化。
参考资料#
2
灰色系统理论是研究解决灰色系统分析、建模、 预测、决策和控制的理论.灰色预测是对灰色系统 所做的预测.目前常用的一些预测方法（如回归分 析等），需要较大的样本.若样本较小，常造成较 大误差，使预测目标失效.灰色预测模型所需建模 信息少，运算方便，建模精度高，在各种预测领 域都有着广泛的应用，是处理小样本预测问题的 有效工具.
6 3+8+10+7 34.
于是得到一个新数据序列
x(1) {6, 9, 17, 27, 34}
参考资料#
9
归纳上面的式子可写为 i x(（1) i） { x(0) ( j) i 1, 2 , N} j 1
称此式所表示的数据列为原始数据列的一次累加生 成，简称为一次累加生成.显然有 x(1) (1) x(0) (1).
参考资料#
8
对数据累加
x(1) (1) x(0) (1) 6， x(1) (2) x(0) (1) x(0) (2) 6 3 9， x(1) (3) x(0) (1) x(0) (2) x(0) (3) 6 3+8 17， x(1) (4) x(0) (1) x(0) (2) x(0) (3) x(0) (4) 6 3+8+10 27， x(1) (5) x(0) (1) x(0) (2) x(0) (3) x(0) (4) x(0) (5)
dx (2） （3.3）
13
其中，a,u分别是待定的常数，a称为发展系（灰）数；u
称为灰色作用量(内生控制灰数)。此方程满足初始条件
的解为
当t t0时x(1) x(1) (t0 )
(3.3)’
x(1)
(t)
x
(1)
(t0 )
u a
ea(t t0 )
第三章 灰色预测模型及其应用
参考资料# 1
灰色预测模型（Gray Forecast Model）是通过少量 的、不完全的信息，建立数学模型并做出预测的 一种预测方法.当我们应用运筹学的思想方法解决 实际问题，制定发展战略和政策、进行重大问题 的决策时，都必须对未来进行科学的预测. 预测 是根据客观事物的过去和现在的发展规律，借助 于科学的方法对其未来的发展趋势和状况进行描 述和分析，并形成科学的假设和判断.
u a
.
对等间隔取样的离散值 (注意到 t0 1）则为
x(1) (k 1) [x(1) (1) u ]eak u .
（1）用灰色数学处理不确定量，使之量化. （2）充分利用已知信息寻求系统的运动规律. （3）灰色系统理论能处理贫信息系统.
参考资料#
6
常用的灰色预测有五种：
（1）数列预测，即用观察到的反映预测对象特征的时间序列来 构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征 量的时间。
（2）灾变与异常值预测，即通过灰色模型预测异常值出现的时 刻，预测异常值什么时候出现在特定时区内。
参考资料#
3
3.1 灰色系统的定义和特点
灰色系统理论是由华中理工大学邓聚龙教授于 1982年提出并加以发展的。二十几年来，引起了不 少国内外学者的关注，得到了长足的发展。目前， 在我国已经成为社会、经济、科学技术在等诸多领 域进行预测、决策、评估、规划控制、系统分析与 建模的重要方法之一。特别是它对时间序列短、统 计数据少、信息不完全系统的分析与建模，具有独 特的功效，因此得到了广泛的应用.在这里我们将简 要地介绍灰色建模与预测的方法。
或称相减生成，它是指后前两个数据之差，如上例中
参考资料#
11
x(1) (5) x(1) (5) x(1) (4) 34 27 7， x(1) (4) x(1) (4) x(1) (3) 27 17 10， x(1) (3) x(1) (3) x(1) (2) 17 9 8， x(1) (2) x(1) (2) x(1) (1) 9 6 3， x(1) (1) x(1) (1) x(1) (0) 6 0 6. 归纳上面的式子得到如下结果：一次后减 x(1) (i) x(1) (i) x(1) (i 1) x(0) (i)
参考资料#
7
3.2 灰色系统的模型
通过下面的数据分析、处理过程，我们将了解到，有 了一个时间数据序列后，如何建立一个基于模型的灰色 预测。 1. 数据的预处理 首先我们从一个简单例子来考察问题. 【例3.1】 设原始数据序列
x(0) {x(0) (1), x(0) (2), , x(0) (N ) } {6, 3, 8, 10, 7}
其中
i 1, 2,..., N，x(0) (0) 0.
参考资料#
12
2. 建模原理 给定观测数据列
x(0) {x(0) (1), x(0) (2), , x(0) (N ) }
经一次累加得
x(1) {x(1) (1), x(1) (2), , x(1) (N ) }
设 x(1) 满足一阶常微分方程
将上述例子中的 x(0)，x(1) 分别做成图3.1、图3.2.
可见图3.1上的曲线有明显的摆动，图3.2呈现逐渐 递增的形式，说明原始数据的起伏已显著弱化.可以 设想用一条指数曲线乃至一条直线来逼近累加生成 数列 x (1) .
参考资料#
10
图3.1
图3.2
为了把累加数据列还原为原始数列，需进行后减运算
参考资料#
4
1. 灰色系统的定义
灰色系统是黑箱概念的一种推广。我们把既含有已知信 息又含有未知信息的系统称为灰色系统.作为两个极端， 我们将称信息完全未确定的系统为黑色系统；称信息完全 确定的系统为白色系统.区别白色系统与黑色系统的重要 标志是系统各因素之间是否具有确定的关系。
参考资料#
5
2. 灰色系统的特点